一种目标检测方法、装置、设备及存储介质与流程

1.本技术实施例涉及目标检测技术领域，尤其涉及一种目标检测方法、装置、设备及存储介质。


背景技术：

2.随着人工智能技术的发展，自动进行环境目标检测成为环境感知过程的常用手段。
3.在进行环境目标检测时，一种常见的方式是利用激光雷达采集周围环境的点云数据，根据点云数据进行目标检测。
4.传统方式在基于点云数据进行目标检测时，准确性较差。
5.申请内容
6.本技术实施例提供一种目标检测方法、装置、设备及存储介质，可以提高检测结果的准确性。
7.第一方面，本技术实施例提供了一种目标检测方法，包括：
8.根据点云数据在预设方向的投影点，生成目标图，目标图是由投影点和投影点之间的连线构成的图；
9.对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图；
10.根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图；
11.根据第二特征图进行目标检测。
12.第二方面，本技术实施例提供了一种目标检测装置，包括：
13.目标图生成模块，用于根据点云数据在预设方向的投影点，生成目标图，目标图是由投影点和投影点之间的连线构成的图；
14.卷积模块，用于对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图；
15.加权模块，用于根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图；
16.检测模块，用于根据第二特征图进行目标检测。
17.第三方面，本技术实施例提供了一种电子设备，包括：
18.激光雷达，用于采集点云数据；
19.处理器；
20.存储器，用于存储计算机程序指令；
21.当计算机程序指令被处理器执行时，实现如第一方面所述的方法。
22.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如第一方面所述的方法。
23.本技术实施例提供的目标检测方法、装置、设备及存储介质，在基于点云数据得到
目标图之后，对目标图进行卷积，最大化地保留了点云数据特征的多样性，在此基础上又利用注意力机制对图卷积得到的特征图进行加权，增强了目标所在区域的占比，也即本技术实施例在进行目标检测时，不仅增加了点云数据特征的多样性，同时增强了目标所在区域的占比，由此增加了目标检测结果的准确性。
附图说明
24.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本技术实施例提供的一种目标检测方法的流程图；
26.图2为本技术实施例提供的一种投影点的示意图；
27.图3为本技术实施例提供的一种目标图的示意图；
28.图4为本技术实施例提供的一种候选图的示意图；
29.图5为本技术实施例提供的另一种目标检测方法的流程图；
30.图6为本技术实施例提供的另一种目标检测方法的流程图；
31.图7为本技术实施例提供的一种柱体的示意图；
32.图8为本技术实施例提供的一种目标检测装置的结构图；
33.图9为本技术实施例提供的一种电子设备的结构图。
具体实施方式
34.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本技术，并不被配置为限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
35.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
36.激光雷达作为一种重要的环境感知传感器，目前被广泛应用于自动驾驶、智能机器人、人机交互、行为识别等相关领域中。
37.以应用于自动驾驶领域为例，自动驾驶车辆在行进过程中，可以根据激光雷达采集的周围环境的点云数据，感知周围的环境，例如可以感知周围的障碍物，从而及时避开障碍物，保证驾驶安全。
38.在进行障碍物等目标检测时，目前常用的方式是将点云数据输入深度卷积神经网络，由深度卷积神经网络输出检测结果，该深度卷积神经网络包含池化层，池化层的池化类
型为最大池化，即选取局部区域中值最大的特征点，导致特征过度丢失，降低了检测结果的准确性。
39.为此，本技术实施例提供了一种目标检测方法，可以提高检测结果的准确性。该方法可以应用于利用激光雷达感知周围环境的场景中。另外，本技术实施例提供的目标检测方法，执行主体可以是目标检测装置，或者该目标检测装置中用于执行目标检测方法的处理模块。该目标检测装置可以集成在自动驾驶车辆、移动机器人等智能设备中。
40.本技术实施例以集成在自动驾驶车辆中的目标检测装置执行目标检测方法为例，说明本技术实施例提供的目标检测方法。
41.图1为本技术实施例提供的一种目标检测方法的流程图。
42.如图1所示，该目标检测方法可以包括s110
‑
s140，具体如下所示：
43.s110、根据点云数据在预设方向的投影点，生成目标图。
44.其中，目标图是由投影点和投影点之间的连线构成的图。点云数据可以由激光雷达采集，本技术实施例对激光雷达的结构不做具体限定。车辆行驶过程中，激光雷达实时采集周围环境的点云数据，为车辆感知周围环境提供了依据。
45.激光雷达采集的原始点云数据一般包含(x,y,z,r)四个维度，其中x,y,z分别代表点云数据在空间坐标系的x轴、y轴和z轴，r为激光雷达发射的激光束对物体的反射率。
46.为了增加点云数据特征的多样性，在一个实施例中，可以扩展原始点云数据的维度，例如可以将其扩展为(x,y,z,r,x
v
,y
v
,z
v
)七个维度，其中带v下标的为点云数据相对于所有点云数据的质心的偏移量，例如x
v
为点云数据的横坐标相对于质心横坐标的偏移量，y
v
为点云数据的纵坐标相对于质心纵坐标的偏移量，z
v
为点云数据的z坐标相对于质心z坐标的偏移量。
47.考虑到点云数据具备无序特性，为了提高目标检测结果的准确性，在一个实施例中，可以将无序的点云数据转换成有序的二维矩阵，例如可以将点云数据向预设方向投影，得到投影点。这里的二维矩阵也可以称为鸟瞰图。
48.预设方向为预先设定的点云数据的投影方向，实际应用时可以根据需要选择，例如可以将z轴所在的方向作为预设方向，也即将点云数据向z轴投影。
49.目标图为基于投影点和投影点之间的连线形成的图，这里的投影点可以是所有点云数据对应的投影点，也可以是部分点云数据对应的投影点，选取部分投影点可以节省计算开销。
50.在一个实施例中，可以选取相对密集的投影点，并将这部分投影点和投影点之间的连线生成的图记为目标图。
51.在一个实施例中，也可以通过路径随机游走的方式得到多个感受野点簇，然后比较各感受野点簇中的投影点在向量空间和三维空间下距离的差异的期望值和方差，并将期望值和方差最小的感受野点簇记为目标图。
52.其中，感受野点簇是根据路径随机游走方法得到的投影点形成的点簇，路径随机游走方法是一种根据预设随机游走长度在各投影点之间进行游走的方法，游走路径也即根据游走顺序连接各投影点形成的路径。随机游走长度也即随机游走涉及的投影点的数量，例如随机游走长度为4，表示随机游走涉及4个投影点，也即在4个投影点之间随机游走。
53.示例性的，在投影点a、b、c和d之间游走，游走顺序为a、c、d和b，则游走路径为a
‑
c
‑
d
‑
b。
54.期望值用于表示感受野点簇中投影点的相似程度，期望值越小表示感受野点簇中的投影点越相似；方差用于表示感受野点簇中投影点的稳定性，方差越小，表示感受野点簇中的投影点越稳定。
55.示例性的，参考图2，图2为点云数据向预设方向投影得到的投影点，为便于观看，图2以圆圈代表投影点，实际应用时，投影点的数量会更多。以通过路径随机游走的方式为例，得到的期望值和方差最小的感受野点簇也即目标图，如图3所示，此时目标图包含的投影点为部分投影点。
56.s120、对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图。
57.目标图的节点即为投影点，例如图3中的每一个投影点均可以称为节点。目标图的边即为两节点之间的连线，例如图3中的每一条连线均可以称为一条边，各投影点之间的连线可以根据游走路径确定。
58.这里的卷积可以用于提取特征，例如对目标图的节点进行卷积，可以提取节点特征，对目标图的边进行卷积，可以提取边特征。
59.节点特征可以反映单个节点的特性，例如可以包括节点的数量、高度、反射率等。边特征可以反映两个节点之间的特性，例如可以包括两个节点之间的距离。
60.在一个实施例中，可以利用卷积神经网络对目标图的节点和边进行卷积操作，提取节点特征和边特征，得到第一特征图。
61.相较于传统的对点云数据进行最大池化操作，从局部接受域中选取值最大的点，根据选取的值最大的点进行目标检测的方案，本技术实施例对目标图的节点和边分别卷积，可以最大化的保留点云数据特征的多样性，在后续检测目标时，可以提高检测结果的准确性。
62.s130、根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图。
63.注意力机制本质上与人类的选择性视觉注意力机制类似，核心思想是从众多信息中选择出对当前任务目标关键的信息。本技术实施例利用注意力机制，可以提高前景物体区域的占比，弱化背景区域的占比，由此可以提高检测结果的准确性。其中，前景物体区域也即待检测目标所在的区域。
64.具体地，可以利用注意力机制确定前景物体也即目标的权重和背景的权重，然后分别对前景物体和背景加权，将加权和作为第二特征图，其中前景物体的权重大于背景的权重。
65.s140、根据第二特征图进行目标检测。
66.在一个实施例中，可以基于第二特征图生成与点云数据对应的二维图像，根据二维图像进行图像检测。基于此，s140可以包括如下步骤：
67.根据第二特征图生成与点云数据对应的二维图像；
68.对二维图像进行多卷积核的特征提取操作，得到二维图像在各卷积核下的图像特征；
69.叠加各卷积核对应的图像特征，得到叠加特征；
70.根据叠加特征进行目标检测。
71.多卷积核即为包含多个大小不同的卷积核，在利用卷积核提取二维图像的图像特征时，不同的卷积核对应的图像特征不同，本技术实施例采用多个卷积核提取图像特征，可以自适应提取二维图像在不同尺寸下的图像特征，增加了图像特征的多样性，提高了检测结果的准确性。
72.本技术实施例对卷积核的具体大小不进行限定，例如可以预先选定一个初始卷积核，在此基础上进行偏移，得到多个不同的卷积核。
73.示例性的，初始卷积核为3*3，偏移量分别为(
‑
1，
‑
1)、(
‑
1，0)、(1，1)，则对应的卷积核分别为2*2、2*3、4*4。
74.考虑到不同的卷积核输出的图像尺寸不同，为了有效叠加各卷积核得到的图像特征，可以统一各卷积核得到的图像的尺寸，在尺寸统一的情况下，叠加各图像特征，保证了叠加的有效性，提高了图像特征的多样性和质量，进而提高了检测结果的准确性。
75.当然也可以采用其他方式进行目标检测，本技术实施例不做具体限定。
76.由此，在基于点云数据得到目标图之后，对目标图进行卷积，最大化地保留了点云数据特征的多样性，在此基础上又利用注意力机制对图卷积得到的特征图进行加权，增强了目标所在区域的占比，也即本技术实施例在进行目标检测时，不仅增加了点云数据特征的多样性，同时增强了目标所在区域的占比，由此增加了目标检测结果的准确性。
77.以路径随机游走的方式确定目标图为例，在一个实施例中，s110可以包括如下步骤：
78.从投影点中确定中心点以及中心点的最近邻点；
79.根据路径随机游走方法确定与中心点对应的候选最近邻点；
80.根据中心点和候选最近邻点，以及中心点和候选最近邻点之间的连线生成候选图；
81.从候选图中确定目标图。
82.中心点和最近邻点均为投影点中的点。在一个实施例中，可以通过聚类算法对投影点进行聚类，根据聚类结果确定中心点，其中，聚类算法可以根据需要选择，例如可以采用kmeans++。
83.最近邻点即为与中心点最近的点，在一个实施例中，可以通过k最近邻(k
‑
nearest neighbor，knn)算法确定与中心点的k个最近的点。
84.候选最近邻点即为路径随机游走对应的最近邻点，在一个实施例中，可以预先设定随机游走长度，也即候选最近邻点的数量。需要注意的是，在进行路径随机游走时，是以中心点为起点。
85.根据游走路径，连接中心点和候选最近邻点，即可得到中心点和候选最近邻点的连线，进而得到候选图。
86.示例性的，参考图4，编号为1的圆圈代表中心点，其余编号的圆圈为路径随机游走涉及的候选最近邻点，游走路径为1
‑2‑3‑1‑
4，按照游走路径连接各投影点即可得到的图4所示的候选图。
87.在一个实施例中，可以确定各候选图在向量空间以及三维空间中距离差的期望值和方差，将期望值和方差最小的候选图确定为目标图，由此可以保证选取的投影点相似且稳定。
88.在进行目标检测时，以确定目标的类型和位置为例，在一个实施例中，注意力机制可以包括通道注意力机制和空间注意力机制。
89.通道注意力机制用于关注第一特征图的通道信息，也即关注哪些特征是有意义的，第一特征图的通道数量可以根据实际需要设置。
90.空间注意力机制用于关注第一特征图的空间信息，也即关注哪里的特征是有意义的。
91.通道注意力机制和空间注意力机制可以并行执行，也可以串行执行。
92.以通道注意力机制和空间注意力机制并行执行为例，在一个实施例中，如图5所示，本技术实施例提供的目标检测方法可以包括如下所示的s510
‑
s560：
93.s510、根据点云数据在预设方向的投影点，生成目标图。
94.s520、对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图。
95.s530、根据通道注意力机制对第一特征图的各通道加权，得到通道特征图。
96.具体地，可以根据通道注意力机制确定第一特征图在不同通道对应的权重，根据权重分别对对应通道进行加权，叠加各通道的加权结果，即可得到通道特征图。各通道的权重和为1。
97.各通道的权重可以通过编码器embeding训练得到，本技术实施例对具体的训练过程不进行限定。
98.s540、根据空间注意力机制对第一特征图中的各像素点加权，得到空间特征图。
99.具体地，可以根据空间注意力机制确定第一特征图中各像素点的权重，根据权重分别对各像素点进行加权，叠加各像素点的加权结果，即可得到空间特征图。各像素点的权重和为1。
100.s550、叠加通道特征图和空间特征图，得到第二特征图。
101.需要注意的是，如果通道特征图和空间特征图的尺寸不同，在叠加通道特征图和空间特征图之前，需要先将两个特征图的尺寸统一，在通道特征图和空间特征图的尺寸相同的情况下，再叠加通道特征图和空间特征图，保证了叠加的有效性。
102.还需要注意的是，本技术实施例不限定s530和s540的执行顺序，即可以先执行s530，再执行s540；也可以先执行s540，再执行s530；还可以同时执行s530和s540。
103.s560、根据第二特征图进行目标检测。
104.由此，本技术实施例将图卷积和注意力机制相结合，不仅利用图卷积最大化的保留了点云数据特征的多样性，还利用通道注意力机制和空间注意力机制增强了前景物体的占比，如此提高了目标检测的准确性。
105.以通道注意力机制和空间注意力机制串行执行为例，在一个实施例中，如图6所示，本技术实施例提供的目标检测方法可以包括如下所示的s610
‑
s650：
106.s610、根据点云数据在预设方向的投影点，生成目标图。
107.s620、对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图。
108.s630、根据通道注意力机制对第一特征图的各通道加权，得到通道特征图。
109.s640、根据空间注意力机制对通道特征图中的各像素点加权，得到第二特征图。
110.本实施例是在基于通道注意力机制得到通道特征图的基础上，利用空间注意力机制对通道特征图中的各像素点加权，过程与利用空间注意力机制对第一特征图加权类似，为简洁描述，此处不再赘述。
111.与并行方式相比，采用串行方式可以简化操作，提高效率。
112.s650、根据第二特征图进行目标检测。
113.由此，本技术实施例将图卷积和注意力机制相结合，不仅利用图卷积最大化的保留了点云数据特征的多样性，还利用通道注意力机制和空间注意力机制增强了前景物体的占比，提高了目标检测的准确性。
114.考虑到点云数据的数据量较大，为了提高检测效率，在一个实施例中，可以对激光雷达采集的点云数据进行柱体划分，针对每一个柱体执行上述目标检测方法。
115.示例性的，可以将x
‑
y平面划分为多个网格，各网格的大小可以相同也可以不同，各网格的大小可以根据实际需要设定，例如可以设置为h*w。
116.针对每一个网格，根据点云数据的位置坐标，可以确定各网格在空间中的高度，并基于该网格和高度形成柱体，由此可以将点云数据划分为如图7所示的柱体，每个柱体内包含多个点云数据，图7示例性给出了一个柱体的示意图。
117.应当理解，各柱体包含的点云数据可能不同，例如有的柱体包含的点云数据超过n个，有的柱体包含的点云数据少于n个，n的大小可以根据实际需要设定。
118.在一个实施例中，对于点云数据超过n的柱体，可以从中随机选取n个点云数据，用于后续目标检测；对于点云数据不足n的柱体，可以用0补齐，由此可以得到p个非空的柱体，每个柱体包含n个点云数据。
119.以点云数据对应的二维图像包含d个通道为例，由此可以将点云数据采用张量(d,p,n)表示。
120.针对每一个柱体，在一个实施例中，可以将该柱体内的点云数据在d
‑
p方向(z轴)上进行投影，得到投影点。
121.基于投影点生成目标图，并根据目标图得到第一特征图以及基于第一特征图得到第二特征图的过程可以参见上述实施例，为简洁描述此处不再赘述。
122.在一个实施例中，可以将得到的第二特征图散布回原始支柱位置，由此可以得到整个点云数据对应的二维图像，也可以称为伪图片。
123.基于二维图像进行目标检测的过程可以参见上述实施例，为简洁描述，此处不再赘述。
124.由此，对点云数据进行柱体划分，针对每一个柱体并行执行类似的操作，由此可以降低计算量，节省检测时间。
125.基于相同的发明构思，本技术实施例还提供一种目标检测装置，该装置可以集成在能够感知周围环境的智能设备中，例如可以集成在自动驾驶车辆或移动机器人中。下面结合图8对本技术实施例提供的目标检测装置进行详细说明。
126.图8为本技术实施例提供的一种目标检测装置的结构图。
127.如图8所示，该目标检测装置可以包括：
128.目标图生成模块81，用于根据点云数据在预设方向的投影点，生成目标图，目标图是由投影点和投影点之间的连线构成的图；
129.卷积模块82，用于对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图；
130.加权模块83，用于根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图；
131.检测模块84，用于根据第二特征图进行目标检测。
132.下面对上述的目标检测装置进行详细说明，具体如下所示：
133.在一个实施例中，注意力机制包括通道注意力机制和空间注意力机制，第一特征图包括多个通道；
134.加权模块83，具体用于：
135.根据通道注意力机制对第一特征图的各通道加权，得到通道特征图；
136.根据空间注意力机制对第一特征图中的各像素点加权，得到空间特征图；
137.融合通道特征图和空间特征图，得到第二特征图。
138.在一个实施例中，注意力机制包括通道注意力机制和空间注意力机制，第一特征图包括多个通道；
139.加权模块83，具体用于：
140.根据通道注意力机制对第一特征图的各通道加权，得到通道特征图；
141.根据空间注意力机制对通道特征图中的各像素点加权，得到第二特征图。
142.在一个实施例中，检测模块84，具体用于：
143.根据第二特征图生成与点云数据对应的二维图像；
144.对二维图像进行多卷积核的特征提取操作，得到二维图像在各卷积核下的图像特征；
145.叠加各卷积核对应的图像特征，得到叠加特征；
146.根据叠加特征进行目标检测。
147.在一个实施例中，目标图生成模块81，具体用于：
148.从投影点中确定中心点以及中心点的最近邻点；
149.根据路径随机游走方法确定与中心点对应的候选最近邻点；
150.根据中心点和候选最近邻点，以及中心点和候选最近邻点之间的连线生成候选图；
151.从候选图中确定目标图。
152.由此，在基于点云数据得到目标图之后，对目标图进行卷积，最大化地保留了点云数据特征的多样性，在此基础上又利用注意力机制对图卷积得到的特征图进行加权，增强了目标所在区域的占比，也即本技术实施例在进行目标检测时，不仅增加了点云数据特征的多样性，同时增强了目标所在区域的占比，由此增加了目标检测结果的准确性。
153.图8所示装置中的各个模块具有实现图1、图5和图6中各个步骤的功能并能达到相应的技术效果，为简洁描述，此处不再赘述。
154.基于相同的发明构思，本技术实施例还提供了一种电子设备，该电子设备可以是能够感知周围环境的智能设备。下面结合图9对本技术实施例提供的电子设备进行详细说明。
155.如图9所示，该电子设备可以包括激光雷达91、处理器92以及用于存储计算机程序
指令的存储器93。
156.激光雷达91用于采集周围环境的点云数据。
157.处理器92可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
158.存储器93可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器93可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器121可以包括可移除或不可移除(或固定)的介质，或者存储器93是非易失性固态存储器。在一个实例中，存储器93可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
159.处理器92通过读取并执行存储器93中存储的计算机程序指令，以实现图1、图5和图6所示实施例中的方法，并达到图1、图5和图6所示实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。
160.在一个示例中，该电子设备还可包括通信接口94和总线95。其中，如图9所示，激光雷达91、处理器92、存储器93、通信接口94通过总线95连接并完成相互间的通信。
161.通信接口94，主要用于实现本技术明实施例中各模块、装置和/或设备之间的通信。
162.总线95包括硬件、软件或两者，将电子设备的各部件彼此耦接在一起。举例来说而非限制，总线95可包括加速图形端(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci
‑
express(pci
‑
x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线95可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
163.该电子设备可以基于根据点云数据在预设方向的投影点生成的目标图执行本技术实施例中的目标检测方法，从而实现结合图1、图5和图6描述的目标检测方法以及图8描述的目标检测装置。
164.另外，结合上述实施例中的数据传输方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种数据传输方法。
165.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
166.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd
‑
rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
167.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
168.上面参考根据本技术实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术实施例的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
169.以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。